Google DeepMindは10月27日、新しいワールドモデルGenie 4を発表した。このモデルは、ユーザーが中を歩き回れるインタラクティブな仮想環境をリアルタイムで生成し、それを初めて音声とともに行う。
何が起きたのか
DeepMindによれば、Genie 4は音声を直接生成する同社初のリアルタイムワールドモデルだ。それぞれの世界が、木々を渡る風、岸に寄せる波、音楽といった独自の環境音を持つ。Ars Technicaによると、最大の新要素は人間の会話で、シミュレーションの変化に合わせて適応する対話が生成される。場面の中の人々の動きも、前のバージョンより自然になった。
ユーザーは、動いている世界を普通の文章で操作できる。天気を変える、カメラを動かす、場面に新しい人や物を加えるといったことが可能で、コマンドはGeminiモデルが解釈する。DeepMindは、このモデルをロボットやAIエージェントの訓練環境、ゲームデザインのプロトタイプ、映画のプリビズのツールとして位置づけている。1枚のアーカイブ写真を歩き回れる場面に変える例も公開された。
現時点では、モデルは選ばれたテストユーザーにのみ公開されている。アクセスは近くProject Genieを通じてGoogle AI Ultraの契約者と、Gemini APIとAI Studioのアーリーアクセスパートナーへと段階的に広がる。
なぜ重要なのか
ワールドモデルとは、AIがテキストや画像だけでなく、独自のルールで動く環境を生み出すということだ。これにより、ロボットを現実世界に出す前に何千ものシナリオで試せるようになり、ゲームや映画の制作も速くなるかもしれない。限界は明らかで、Ars Technicaによれば世界が一貫性を保つのは数分だけだ。DeepMindも、物体が時間とともにずれることがあり、複雑な物理的相互作用と長時間の一貫性は今も研究課題だと認めている。